面向稀疏标注序列数据的半监督学习：在医疗视频处理中的应用
计算机视觉与模式识别
2022-10-05 v5
摘要
标注数据是训练和评估机器学习模型的关键资源。然而，许多现实生活中的数据集仅被部分标注。我们提出了一种半监督机器学习训练策略，以在仅有稀疏标签（如仅有事件起始时间而无对应结束时间）的序列数据（如视频记录）上提升事件检测性能。我们的方法利用对事件结束时间的含噪猜测来训练事件检测模型。根据这些猜测的保守程度，训练集中可能会引入误标注样本。我们进一步提出了一个数学模型，用于解释和估计随着结束时间估计噪声增大而演变的分类性能。我们表明，神经网络能够通过利用更多带有较不保守近似的训练数据，尽管错误标签比例更高，仍可提升其检测性能。我们调整了 CIFAR-10 和 MNIST 的序列版本，并使用 Berkeley MHAD 和 HMBD51 视频数据集来实证评估我们的方法，发现我们的风险容忍策略在 CIFAR 上以 3.5 个平均精度点、MNIST 上 30 点、MHAD 上 3 点、HMBD51 上 14 点优于保守估计。随后，我们利用所提出的训练策略处理一个现实应用：处理癫痫患者的连续视频记录，并表明我们的方法以 17 个平均精度点优于基线标注方法，且达到与全监督模型相似的分类性能。我们分享了本文的部分代码。
引用
@article{arxiv.2011.14101,
title = {Semi-Supervised Learning for Sparsely-Labeled Sequential Data: Application to Healthcare Video Processing},
author = {Florian Dubost and Erin Hong and Nandita Bhaskhar and Siyi Tang and Daniel Rubin and Christopher Lee-Messer},
journal= {arXiv preprint arXiv:2011.14101},
year = {2022}
}